无法过滤从箭头表创建的 DataFrame

问题描述

我在 julia 中有以下函数，读取一个 Arrow 文件（使用 Arrow.jl）从磁盘读取数据并处理它：

function getmembershipsdays(fromId,toId)
  memberships = Arrow.Table("HouseholdMemberships.arrow") |> DataFrame
  filter!([:IndividualId] => id -> id >= fromId && id <= toId,memberships)
  ...
end

> Error: ERROR: LoadError: MethodError: no method matching
> deleteat!(::Arrow.Primitive{Int64,Array{Int64,1}},::Array{Int64,1})

The DataFrame has the following structure:
123226x10 DataFrame
Row | MembershipId | IndividualId | HouseholdId | ...
    | Int64        | Int64        | Int64       |

函数中用于单步执行 Dataframe 的其余代码有效，但如果我添加过滤条件，则会出现此错误。就好像 Dataframe 列未转换为基础 julia 类型一样。

如果我这样做

m = filter([:IndividualId] => id -> id >= fromId && id <= toId,memberships)

然后就可以了。如何就地过滤？

解决方法

您正在使用内存映射，这意味着您无法就地调整从 Arrow.jl 源创建的 DataFrame 的大小。这是您必须为从 Arrow 源超快速零拷贝创建数据帧而支付的成本。

为什么要这样设计？

1. 通常您只读取数据帧（而不对其进行变异）——在这种情况下，您可能希望节省复制数据的成本（尤其是对于非常大的数据集）。
2. 在 DataFrames.jl 中使用复制函数来执行复制很容易（例如在您的示例中将 filter! 替换为 filter）。

有关更多示例，请参见 https://bkamins.github.io/julialang/2020/11/06/arrow.html（特别是 - 如何避免使用 IO 源而不是文件名作为源进行内存映射）。

附注。请注意，id >= fromId && id <= toId 可以只写为 fromId <= id <= toId。